inner_join - tidyverse
Resumir con condiciones en dplyr. (3)
Escribiendo el comentario de @ hadley como respuesta.
df_sqlite %>%
group_by(ID) %>%
mutate(Bfoo = if(A=="foo") B else 0) %>%
summarize(sumB = sum(B),
sumBfoo = sum(Bfoo)) %>%
collect
Ilustraré mi pregunta con un ejemplo.
Data de muestra:
df <- data.frame(ID = c(1, 1, 2, 2, 3, 5), A = c("foo", "bar", "foo", "foo", "bar", "bar"), B = c(1, 5, 7, 23, 54, 202))
df
ID A B
1 1 foo 1
2 1 bar 5
3 2 foo 7
4 2 foo 23
5 3 bar 54
6 5 bar 202
Lo que quiero hacer es resumir, por ID, la suma de B y la suma de B cuando A es "foo". Puedo hacer esto en un par de pasos como:
require(magrittr)
require(dplyr)
df1 <- df %>%
group_by(ID) %>%
summarize(sumB = sum(B))
df2 <- df %>%
filter(A == "foo") %>%
group_by(ID) %>%
summarize(sumBfoo = sum(B))
left_join(df1, df2)
ID sumB sumBfoo
1 1 6 1
2 2 30 30
3 3 54 NA
4 5 202 NA
Sin embargo, estoy buscando una forma más elegante / más rápida, ya que estoy tratando con 10 gb + de datos de memoria insuficiente en sqlite.
require(sqldf)
my_db <- src_sqlite("my_db.sqlite3", create = T)
df_sqlite <- copy_to(my_db, df)
Pensé en usar mutate
para definir una nueva columna de Bfoo
:
df_sqlite %>%
mutate(Bfoo = ifelse(A=="foo", B, 0))
Desafortunadamente, esto no funciona en el final de la base de datos de las cosas.
Error in sqliteExecStatement(conn, statement, ...) :
RS-DBI driver: (error in statement: no such function: IFELSE)
Puedes hacer ambas sumas en una sola declaración dplyr
:
df1 <- df %>%
group_by(ID) %>%
summarize(sumB = sum(B),
sumBfoo = sum(B[A=="foo"]))
Si desea hacer un recuento en lugar de resumir, entonces la respuesta es algo diferente. El cambio en el código es pequeño, especialmente en la parte de conteo condicional.
df1 <- df %>%
group_by(ID) %>%
summarize(countB = n(),
countBfoo = sum(A=="foo"))
df1
Source: local data frame [4 x 3]
ID countB countBfoo
1 1 2 1
2 2 2 2
3 3 1 0
4 5 1 0